私有化部署满血Deepseek3.2模型

更新时间：2025-11-21 10:10:32

DeepSeek-V3.2-Exp，基于 V3.1-Terminus 升级，采用创新 DeepSeek Sparse Attention 架构，通过动态分配计算资源减少冗余计算，在保持精度的同时显著降低内存占用与计算成本，优化长文本处理效率。

本文详细介绍如何使用云容器实例全流程部署 DeepSeek-V3.2-Exp，展示 DeepSeek-V3.2-Exp 私有化部署的最佳实践。我们旨在提供一个灵活、可扩展且高性能的解决方案，以支持深度学习模型的高效部署与运行。这一方法不仅提升了模型推理的效率，还确保了在私有化环境下的稳定性和安全性。

提示

当前的云容器实例（CCI）仅在【北京三区】支持 DeepSeek-V3.2-Exp 的私有化部署。

前提条件

用户已经获取 Alaya NeW 企业账户和密码，如果需要帮助或尚未注册，可参考注册账户完成注册。
当前企业账号的余额充裕，可满足用户使用云容器实例服务的需要。如需了解更多请联系我们。

部署模型

登录控制台，单击“产品 > 计算 > 云容器实例”，进入云容器实例页面。
单击“云容器管理”，进入云容器实例列表页面，然后在页面右上方选择已创建云容器实例的“智算中心【北京三区】”。
单击“去开通”，创建云容器实例。配置相关参数信息，参数详情可参考开通云容器实例的配置参数内容，其中“资源配置”选择默认资源，选择目标应用镜像(如图①)，然后单击“立即开通”，开通云容器。
开通成功后进入云容器实例页面，在容器列表页面，单击右侧的web连接图标。

进入 web 连接后，执行如下命令：

  ##启动大模命令
  cd /
  export SGLANG_SERVER_HOST=0.0.0.0
  export SGLANG_SERVER_PORT=9001
  export SGLANG_MODEL_PATH=/root/public/DeepSeek-V3___2-Exp
  export SGLANG_MODEL_NAME=deepseek-v32-exp
  export SGLANG_TENSOR_PARALLEL_SIZE=8
  export SGLANG_API_KEY=sk-12345
  chmod +x /start-llm-inference.sh
  sh -c /start-llm-inference.sh ##此步骤建议后台进行运行

alt text

模型使用

方案一：浏览器直接访问

进入云容器实例 Web SSH，执行如下命令，启动 Chat WebUI。

  ##启动webui应用
  export OPENAI_BASE_URL=${OPENAI_BASE_URL:-http://183.166.183.174:9001/v1} ###容器内的模型端口
  export OPENAI_API_KEY=${OPENAI_API_KEY:-sk-12345}
  export OPENAI_MODEL=${OPENAI_MODEL:-deepseek-v32-exp}
  export WEBUI_SERVER_HOST="0.0.0.0"
  export WEBUI_SERVER_PORT=9002
  chmod +x /start-chat-webui.sh
  sh -c /start-chat-webui.sh

返回云容器实例列表页面，单击开放端口图标。
复制开放端口的 9002 的地址。
在浏览器中输入地址直接进行访问，进入界面直接与 Deepseek3.2 模型进行对话。

方案二：调用接口方案

再次进入云容器实例列表页面，单击开放端口图标，复制 9001 的地址，用户在终端管理页面可使用curl命令行工具向已部署的服务发送 HTTP 请求，与 Deepseek3.2 模型对话。

curl --location --request POST 'http://183.166.183.17*:30010/v1/chat/completions' \
--header 'Authorization: Bearer sk-12345' \
--header 'Content-Type: application/json' \
--header 'Accept: */*' \
--header 'Host: 183.166.183.174:30010' \
--header 'Connection: keep-alive' \
--data-raw '{
        "model": "deepseek-v32-exp",   
        "messages": [
          {"role": "system", "content": "You are a helpful assistant."},
          {"role": "user", "content": "写一首诗，主题是湖水"}
        ]
    }'

服务响应输出：

{
    "id": "3b8a3c290282499f8f076219c4b277ec",
    "object": "chat.completion",
    "created": 1759250598,
    "model": "deepseek-v32-exp",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "《湖水》\n\n被风揉皱的绸缎\n是天光跌碎的镜台\n柳枝垂钓着云影\n一圈年轮\n推开一个等待\n\n野鸭划破的寂静\n在芦苇弯腰时重来\n夕阳斜坠的金线\n缝补星辰\n与浪花的对白\n\n晚霞滴落的胭脂\n醉成满湖胭脂的徘徊\n谁在岸边拾起\n一枚月亮\n藏入青苔的胸怀",
                "reasoning_content": null,
                "tool_calls": null
            },
            "logprobs": null,
            "finish_reason": "stop",
            "matched_stop": 1
        }
    ],
    "usage": {
        "prompt_tokens": 17,
        "total_tokens": 114,
        "completion_tokens": 97,
        "prompt_tokens_details": null,
        "reasoning_tokens": 0
    },
    "metadata": {
        "weight_version": "default"
    }
}

除了上述访问方式外，用户还可以通过 Python 代码使用已部署的服务。

import http.client
import json

conn = http.client.HTTPSConnection("183.166.183.17*", 30010)
payload = json.dumps({
  "model": "deepseek-v32-exp",
  "messages": [
      {
        "role": "system",
        "content": "You are a helpful assistant."
      },
      {
        "role": "user",
        "content": "写一首诗，主题是湖水"
      }
  ]
})
headers = {
  'Authorization': 'Bearer sk-12345',
  'Content-Type': 'application/json',
  'Accept': '*/*',
  'Host': '183.166.183.174:30010',
  'Connection': 'keep-alive'
}
conn.request("POST", "/v1/chat/completions", payload, headers)
res = conn.getresponse()
data = res.read()
print(data.decode("utf-8"))

此外用户也可使用跨平台 AI 客户端工具，例如 AnythingLLM、Chatbox AI、Cherry Studio 等客户端工具，调用已部署的服务。

前提条件​

部署模型​

模型使用​

方案一：浏览器直接访问​

方案二：调用接口方案​

前提条件

部署模型

模型使用

方案一：浏览器直接访问

方案二：调用接口方案